cross_entropy_loss交叉熵损失

cross_entropy_loss交叉熵损失

其他损失函数Yolov5网络结构及其他

cross_entropy_loss交叉熵损失

信息量与事件发生的概率负相关,即事件越确定,概率越高,信息量越少,越不确定,信息量越高。
香农熵即
H = − P l o g Q H=-PlogQ H=PlogQ
则交叉熵:
H ( P , Q ) = − ∑ i = 1 n P i l o g Q i H(P,Q)=-\sum_{i=1}^{n}{P_ilogQ_i} H(P,Q)=i=1nPilogQi
用P代表真实发生的概率,Q代表预测的概率,则可得交叉熵损失
L = − ∑ i = 1 C x i l o g y i L=-\sum_{i=1}^{C}{x_ilogy_i} L=i=1Cxilogyi
交叉熵损失函数训练模型示例:

import torch
import torch.nn as nn
import torch.optim as optim
 
# 定义模型
class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.fc1 = nn.Linear(10, 5)
        self.fc2 = nn.Linear(5, 2)
    
    def forward(self, x):
        x = self.fc1(x)
        x = nn.functional.relu(x)
        x = self.fc2(x)
        return x
 
model = MyModel()
 
# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.1)
 
# 训练循环
for epoch in range(num_epochs):
    for batch_idx, (data, target) in enumerate(train_loader):
        optimizer.zero_grad()
        output = model(data)
        loss = criterion(output, target)
        loss.backward()
        optimizer.step()
        
        if batch_idx % log_interval == 0:
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset),
                100. * batch_idx / len(train_loader), loss.item()))

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值